概率图模型及计算机视觉应用

概率图模型及计算机视觉应用
分享
扫描下方二维码分享到微信
打开微信,点击右上角”+“,
使用”扫一扫“即可将网页分享到朋友圈。
作者: [美] (Qiang Ji)
2021-09
版次: 1
ISBN: 9787111690320
定价: 99.00
装帧: 其他
开本: 16开
纸张: 胶版纸
字数: 253千字
6人买过
  • 本书是美国伦斯勒理工学院(Rensselaer Polytechnic Institute, RPI)纪强(Qiang Ji)教授专门为概率图模型编写的一本专著。本书介绍了计算机视觉中的概率图模型(PGM),讨论了PGM及其在解决计算机视觉中存在的问题,提供了基本概念、定义和属性。专注于PGM的理论,以伪代码和推导的方式对PGM进行了详细的解释。 译者序

    第1章  知识背景和学习动机1

    1.1  引言1

    1.2  本书目标和特点4

    1.3  PGM介绍4

    1.3.1  PGM的主要问题5

    1.4  本书大纲6

    参考文献7

    第2章  基础概念9

    2.1  引言9

    2.2  随机变量与概率9

    2.2.1  随机变量与概率定义9

    2.2.2  基本的概率法则10

    2.2.3  独立性和条件独立性11

    2.2.4  均值、协方差、相关性和独立性11

    2.2.5  概率不等式13

    2.2.6  概率分布14

    2.3  基本的估计方法17

    2.3.1  极大似然法17

    2.3.2  贝叶斯估计法19

    2.4  优化方法19

    2.4.1  连续优化19

    2.4.2  离散优化21

    2.5  采样和样本估计21

    2.5.1  采样技术21

    2.5.2  样本估计22

    参考文献23

    第3章  有向概率图模型25

    3.1  引言25

    3.2  贝叶斯网络25

    3.2.1  BN表示25

    3.2.2  BN的特性27

    3.2.3  贝叶斯网络的类型29

    3.3  BN推理34

    3.3.1  精确推理方法35

    3.3.2  近似推理方法47

    3.3.3  高斯BN的推理55

    3.3.4  贝叶斯推理56

    3.3.5  不确定证据下的推理57

    3.4  完全数据下的BN学习57

    3.4.1  参数学习58

    3.4.2  结构学习63

    3.5  缺失数据下的BN学习69

    3.5.1  参数学习69

    3.5.2  结构学习75

    3.6  人工贝叶斯网络规范76

    3.7  动态贝叶斯网络77

    3.7.1  简介77

    3.7.2  学习和推理79

    3.7.3  特殊的DBN81

    3.8  分层贝叶斯网络91

    3.8.1  分层贝叶斯模型91

    3.8.2  分层深层模型95

    3.8.3  混合分层模型98

    3.9  附录99

    3.9.1  式(3.63)证明99

    3.9.2  高斯贝叶斯网络证明100

    3.9.3  拉普拉斯近似102

    参考文献102

    第4章  无向概率图模型107

    4.1  引言107

    4.1.1  定义和性质107

    4.2  成对马尔可夫网络110

    4.2.1  离散成对马尔可夫网络110

    4.2.2  标记观测马尔可夫网络111

    4.2.3  高斯马尔可夫网络112

    4.2.4  受限玻尔兹曼机113

    4.3  条件随机场114

    4.4  高阶长程马尔可夫网络116

    4.5  马尔可夫网络推理117

    4.5.1  精确推理方法117

    4.5.2  近似推理方法120

    4.5.3  其他MN推理方法122

    4.6  马尔可夫网络学习123

    4.6.1  参数学习123

    4.6.2  结构学习129

    4.7  马尔可夫网络与贝叶斯网络131

    参考文献132

    第5章  计算机视觉应用135

    5.1  引言135

    5.2  用于低级计算机视觉任务的PGM135

    5.2.1  图像分割135

    5.2.2  图像去噪136

    5.2.3  用MRF标记图像136

    5.2.4  用CRF进行图像分割141

    5.2.5  用贝叶斯网络进行图像分割145

    5.3  用于中级计算机视觉任务的PGM149

    5.3.1  目标检测与识别149

    5.3.2  场景识别165

    5.3.3  目标追踪167

    5.3.4  三维重建和立体视觉177

    5.4  用于高级计算机视觉任务的PGM184

    5.4.1  面部表情识别184

    5.4.2  人类活动识别187

    5.4.3  为人类活动识别刻画上下文208

    参考文献212

    索引220
  • 内容简介:
    本书是美国伦斯勒理工学院(Rensselaer Polytechnic Institute, RPI)纪强(Qiang Ji)教授专门为概率图模型编写的一本专著。本书介绍了计算机视觉中的概率图模型(PGM),讨论了PGM及其在解决计算机视觉中存在的问题,提供了基本概念、定义和属性。专注于PGM的理论,以伪代码和推导的方式对PGM进行了详细的解释。
  • 目录:
    译者序

    第1章  知识背景和学习动机1

    1.1  引言1

    1.2  本书目标和特点4

    1.3  PGM介绍4

    1.3.1  PGM的主要问题5

    1.4  本书大纲6

    参考文献7

    第2章  基础概念9

    2.1  引言9

    2.2  随机变量与概率9

    2.2.1  随机变量与概率定义9

    2.2.2  基本的概率法则10

    2.2.3  独立性和条件独立性11

    2.2.4  均值、协方差、相关性和独立性11

    2.2.5  概率不等式13

    2.2.6  概率分布14

    2.3  基本的估计方法17

    2.3.1  极大似然法17

    2.3.2  贝叶斯估计法19

    2.4  优化方法19

    2.4.1  连续优化19

    2.4.2  离散优化21

    2.5  采样和样本估计21

    2.5.1  采样技术21

    2.5.2  样本估计22

    参考文献23

    第3章  有向概率图模型25

    3.1  引言25

    3.2  贝叶斯网络25

    3.2.1  BN表示25

    3.2.2  BN的特性27

    3.2.3  贝叶斯网络的类型29

    3.3  BN推理34

    3.3.1  精确推理方法35

    3.3.2  近似推理方法47

    3.3.3  高斯BN的推理55

    3.3.4  贝叶斯推理56

    3.3.5  不确定证据下的推理57

    3.4  完全数据下的BN学习57

    3.4.1  参数学习58

    3.4.2  结构学习63

    3.5  缺失数据下的BN学习69

    3.5.1  参数学习69

    3.5.2  结构学习75

    3.6  人工贝叶斯网络规范76

    3.7  动态贝叶斯网络77

    3.7.1  简介77

    3.7.2  学习和推理79

    3.7.3  特殊的DBN81

    3.8  分层贝叶斯网络91

    3.8.1  分层贝叶斯模型91

    3.8.2  分层深层模型95

    3.8.3  混合分层模型98

    3.9  附录99

    3.9.1  式(3.63)证明99

    3.9.2  高斯贝叶斯网络证明100

    3.9.3  拉普拉斯近似102

    参考文献102

    第4章  无向概率图模型107

    4.1  引言107

    4.1.1  定义和性质107

    4.2  成对马尔可夫网络110

    4.2.1  离散成对马尔可夫网络110

    4.2.2  标记观测马尔可夫网络111

    4.2.3  高斯马尔可夫网络112

    4.2.4  受限玻尔兹曼机113

    4.3  条件随机场114

    4.4  高阶长程马尔可夫网络116

    4.5  马尔可夫网络推理117

    4.5.1  精确推理方法117

    4.5.2  近似推理方法120

    4.5.3  其他MN推理方法122

    4.6  马尔可夫网络学习123

    4.6.1  参数学习123

    4.6.2  结构学习129

    4.7  马尔可夫网络与贝叶斯网络131

    参考文献132

    第5章  计算机视觉应用135

    5.1  引言135

    5.2  用于低级计算机视觉任务的PGM135

    5.2.1  图像分割135

    5.2.2  图像去噪136

    5.2.3  用MRF标记图像136

    5.2.4  用CRF进行图像分割141

    5.2.5  用贝叶斯网络进行图像分割145

    5.3  用于中级计算机视觉任务的PGM149

    5.3.1  目标检测与识别149

    5.3.2  场景识别165

    5.3.3  目标追踪167

    5.3.4  三维重建和立体视觉177

    5.4  用于高级计算机视觉任务的PGM184

    5.4.1  面部表情识别184

    5.4.2  人类活动识别187

    5.4.3  为人类活动识别刻画上下文208

    参考文献212

    索引220
查看详情
12
相关图书 / 更多
概率图模型及计算机视觉应用
概率论(第二版) 何书元
何书元 编著
概率图模型及计算机视觉应用
概率论与数理统计
欧启通
概率图模型及计算机视觉应用
概率论与数理统计
郭冰阳 编
概率图模型及计算机视觉应用
概率论与数理统计作业集
主编 宋国杰 陈亚丽 郑琴
概率图模型及计算机视觉应用
概率论与数理统计习题全解与学习指导(第2版)
杨筱菡 王勇智
概率图模型及计算机视觉应用
概率论与数理统计练习与提高
王元媛
概率图模型及计算机视觉应用
概率统计同步练习与提高
石志岩 主编
概率图模型及计算机视觉应用
概率论与数理统计(第2版)
殷羽 编
概率图模型及计算机视觉应用
概率论与数理统计基础教程
主编 纪楠 副主编 袁书娟 关树明 参编 韩冰 李言 王立亚
概率图模型及计算机视觉应用
概率论与数理统计
哈金才 马少娟 李海燕 主编
概率图模型及计算机视觉应用
概率论与数理统计
林娟
概率图模型及计算机视觉应用
概率论与数理统计
作者
您可能感兴趣 / 更多
概率图模型及计算机视觉应用
亚拉山大的读心术(数学大师的逻辑课) 伦理学、逻辑学 [美]雷蒙德·m.斯穆里安(raymondm.smullyan)
[美]雷蒙德·m.斯穆里安(raymondm.smullyan)
概率图模型及计算机视觉应用
纳博科夫精选集第五辑
[美]弗拉基米尔·纳博科夫著
概率图模型及计算机视觉应用
九桃盘(美国二十世纪重要女诗人玛丽安·摩尔诗歌精选集,由知名女诗人和女性诗学研究者倪志娟倾情翻译)
[美]玛丽安•摩尔
概率图模型及计算机视觉应用
全新正版图书 制造德·戴维尼浙江教育出版社9787572276880
[美]理查德·戴维尼
概率图模型及计算机视觉应用
血泪之泣
[美]希瑟·丘·麦克亚当
概率图模型及计算机视觉应用
小学生趣味心理学(培养执行技能的40个练习,发展共情能力的46个练习,学会应对焦虑的40个练习 共3册) (美)莎伦·格兰德 王佳妮译
[美]莎伦·格兰德(sharon grand)
概率图模型及计算机视觉应用
(当代学术棱镜译丛)艺术批评入门:历史、策略与声音
[美]克尔·休斯顿
概率图模型及计算机视觉应用
金钱游戏(划时代增订版):深层透析金融游戏表象之下的规则与黑箱 长达60年盘踞金融畅销榜的现象级作品
[美]亚当·史密斯(Adam Smith) 著;刘寅龙 译
概率图模型及计算机视觉应用
矿王谷的黎明:塞拉俱乐部诉莫顿案与美国环境法的转变(精装典藏版)
[美]丹尼尔·P.塞尔米,(Daniel,P.Selmi)
概率图模型及计算机视觉应用
体式神话:瑜伽传统故事精粹(第二版) (从30个体式古老起源中汲取灵感与力量,内附精美插图)
[美]阿兰娜·凯瓦娅(Alanna Kaivalya)[荷]阿诸那·范德·库伊(Arjuna van der Kooij)
概率图模型及计算机视觉应用
诺奖作家给孩子的阅读课·生命教育(3-9年级,莫言余华的文学启蒙,垫高阅读起点,提升作文能力)
[美]海明威等
概率图模型及计算机视觉应用
蚯蚓的日记(全4册)【平装版】
[美]朵琳·克罗宁